多线程带智能采集策略的采集系统

  去年年底的时候曾经发过一个数据采集器 《网页数据采集器》，那是专门针对某一个网站来进行采集的，如果需要采集新的网站内容，就需要修改代码并重新编译。

    昨晚完成了一个带智能策略的采集系统。其实，这个策略的方案三年前就想好了，那时候打算用VB做，做了一半就搁置了。现在用C#才终于把这个方案实现了。

    整个方案大概是这样的：

    需要建立一个AC数据库，MSSQL也行，有四个表：PageType用于记录页面的种类，比如列表页和详细页两类；Url表用于记录要采集的网址，另外 还有一个字段TypeID标明该网址属于哪一种页面类型，比如是列表页还是详细页；Rule表记录着各种规则，主要有三个字段，FromTypeID源页 类型，ToTypeID目的页类型，Pattern规则；CjPage用于存储采集到的网页内容，还包含网址和页面种类。

    采集策略的核心就在于规则库Rule。

    工作过程大概这样：
1,采集线程从Url表抽取一个网址，并马上在表中将其删除，为了防止冲突，这个过程需要用多线程同步解决；
2,用WebClient请求该网址的页面内容；
3,取得内容后，给线程池的线程来分析处理，本线程回到1，继续去Url表取下一个网址；
4,线程池在有空闲线程时，会调用分析函数ParsePage去处理上次获得的页面内容；
5,先到Rule中取所有FromTypeID为当前网址TypeID；
6,如果没有取到任何规则Rule，则将本页内容写入到CjPage中；
7,如果取到规则，那么遍历规则，为每条规则执行ParseUrl方法；
8,ParseUrl根据规则的Pattern匹配到页面内容中的所有网址，并记录到Url中，规则的ToTypeID就是Url的TypeID。

    至此，整个流程就完成了。下面举一个实际例子来说明一下：
    我要截取动网开发者网络的所有ASP文章http://www.cndw.com/tech/asp/；
    首先，在页面类型库中加入列表页和详细页两行，再把http://www.cndw.com/tech/asp/写入到Url中，页面类型是列表页；
    其次，在Rule中加入两条规则：
        一，从列表页取得详细页的网址FromTypeID=1  ToTypeID=2，Pattern是· <a href="([^>]*)" target=_blank>，这条规则将会识别列表页上的所有详细页的链接，并记入到Url中，TypeID是详细页；
        二，从列表页取得列表页的网址FromTypeID=1  ToTypeID=1，Pattern是<a href='([^>]*)'>下一页<//a>，这条规则将会取得当前列表页上的下一页的链接，并记入到Url中，TypeID还是列表页。
    采集器工作时，如果采集的是详细页的内容，将会直接写入到CjPage中，因为没有FromTypeID=2的规则；而采集的是列表页的内容时，就要做两 件事了，因为有两条FromTypeID=1的规则，一件事是识别当前列表页中所有文章的链接并存入Url，另一件事是识别下一列表页链接并存入Url。
    由于规则具有递归性，使得采集器能递归采集到所有的文章。

    下面是一些核心源码（没有公开的都是一些数据层的添删改查的代码）：

以下是代码片段： using System; using System.Collections.Generic; using System.Text; using System.Net; using System.Threading; using CJData; using System.Text.RegularExpressions; using NLog; namespace CJ {     /// <summary>     /// 写日志委托     /// </summary>     /// <param name="log"></param>     public delegate void WriteLogCallBack(String log);     /// <summary>     /// 采集     /// </summary>     public class CaiJi     {         private WebClient _wc;         public WebClient Wc         {             get             {                 if (_wc == null) _wc = new WebClient();                 return _wc;             }         }         private Thread thread;         public String Name = "";         public event WriteLogCallBack OnWriteLog;         /// <summary>         /// 开始工作         /// </summary>         public void Start()         {             if (thread != null) return;             thread = new Thread(new ThreadStart(Work));             thread.Start();         }         /// <summary>         /// 停止工作         /// </summary>         public void Stop()         {             if (thread != null) thread.Abort();             thread = null;         }         private void Work()         {             int times = 0;             while (times < 100)             {                 Url url = Url.SelectOne();                 try                 {                     if (url != null)                     {                         String page = Wc.DownloadString(url.UrlAddress);                         if (!String.IsNullOrEmpty(page))                         {                             OnWriteLog(Name + " 成功抓取：" + url.UrlAddress);                             times = 0;                             ThreadPool.QueueUserWorkItem(new WaitCallback(ParsePage), new Object[] { url, page });                         }                     }                     else                     {                         //OnWriteLog(Name + " 没有工作，休息半秒");                         times++;                         //没有工作，休息半秒                         Thread.Sleep(500);                     }                 }                 catch (ThreadAbortException e)                 {                     OnWriteLog(Name + " 外部终止");                     break;                 }                 catch (Exception e)                 {                     times++;                     OnWriteLog(Name + " 赚取" + url.UrlAddress + "出错，休息半秒。" + e.Message);                     Trace.WriteLine(url.UrlAddress);                     //出错，休息半秒                     Thread.Sleep(500);                 }             }             OnWriteLog(Name + " 完成！");         }         private void ParsePage(Object state)         {             Object[] objs = (Object[])state;             Url url = objs[0] as Url;             String page = (String)objs[1];             IList<Rule> rs = Rule.SelectAll(Rule._.FromTypeID, url.TypeID);             //if (url.PageType.TypeName == "详细页")             if (rs == null || rs.Count < 1)             {                 CjPage cp = new CjPage();                 cp.CjTime = DateTime.Now;                 cp.Content = page;                 cp.Url = url.UrlAddress;                 cp.TypeID = url.TypeID;                 cp.Insert();             }             else             {                 foreach (Rule r in rs)                 {                     ParseUrl(url, r, page);                 }             }         }         private void ParseUrl(Url u, Rule r, String page)         {             Regex reg = new Regex(r.Pattern, RegexOptions.Compiled | RegexOptions.IgnoreCase);             MatchCollection ms = reg.Matches(page);             foreach (Match m in ms)             {                 Url url = new Url();                 url.TypeID = r.ToTypeID;                 url.UrlAddress = m.Groups[1].Value;                 if (!url.UrlAddress.StartsWith("http://"))                 {                     if (url.UrlAddress.Substring(0, 1) == "/")                     {                         url.UrlAddress = u.UrlAddress.Substring(0, u.UrlAddress.IndexOf("/", 8)) + url.UrlAddress;                     }                     else                     {                         if (u.UrlAddress.Substring(u.UrlAddress.Length - 1) == "/")                             url.UrlAddress = u.UrlAddress + url.UrlAddress;                         else                             if (u.UrlAddress.LastIndexOf("/") < u.UrlAddress.LastIndexOf("."))                                 url.UrlAddress = u.UrlAddress.Substring(0, u.UrlAddress.LastIndexOf("/") + 1) + url.UrlAddress;                             else                                 url.UrlAddress = u.UrlAddress + "/" + url.UrlAddress;                     }                 }                 url.Insert();             }         }     } }

以下是代码片段： using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Text; using System.Windows.Forms; using System.Net; namespace CJ {     public partial class Form1 : Form     {         public Form1()         {             InitializeComponent();         }         CaiJi[] cjs;         private void button1_Click(object sender, EventArgs e)         {             Button btn = sender as Button;             if (btn.Text == "停止")             {                 foreach (CaiJi cj in cjs)                 {                     if (cj != null) cj.Stop();                 }                 cjs = null;                 btn.Text = "开始";                 return;             }             richTextBox1.Text = "";             btn.Text = "停止";             int k = 100;             if (!int.TryParse(textBox1.Text, out k)) k = 100;             cjs = new CaiJi[k];             for (int i = 0; i < cjs.Length; i++)             {                 cjs[i] = new CaiJi();                 cjs[i].Name = "线程" + i.ToString("00");                 cjs[i].OnWriteLog += new WriteLogCallBack(cj_OnWriteLog);             }             foreach (CaiJi cj in cjs)             {                 cj.Start();             }         }         void cj_OnWriteLog(string log)         {             if (richTextBox1.InvokeRequired)             {                 richTextBox1.Invoke(new WriteLogCallBack(cj_OnWriteLog), new object[] { log });             }             else             {                 if (richTextBox1.Lines.Length > 3000) richTextBox1.Text = "";                 richTextBox1.Text = log + Environment.NewLine + richTextBox1.Text;             }         }     } }

posted on 2007-08-18 10:45 大石头 阅读(1999) 评论(10)   编辑   收藏

Feedback

#  re: 多线程带智能采集策略的采集系统 2007-08-18 11:07 cnitsky.net

这些是次要的吧 主要的还是采集规则   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-18 11:32 大石头

是的，我主要想说明的就是采集的策略设计。
我这样设计的策略，可以递归   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-18 12:13 progame

智能体现在哪?   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-18 13:01 dominic

没看出什么地方特别的。

还不如把程序发布了方便一些人。   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-18 13:15 admi

很不错再接再历

-------------------------

专业中文站内全文搜索技术提供商
本站是专业的中文全文检索产品网站,本站提供了性价比很高的全文检索产品,可以使企业很容易的实现网站站内全文搜索功能
http://www.molchina.com   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-18 13:16 T.t.T!Ck.

没看出哪里智能了？
就是因为应用了规则了？
但是不同的页面有不同的规则哦，虽然你这样做有点模板的味道，但是如果是根据单一内容自动生成正则表达式的话就够智能了
对于网页正文的抽取没有这么简单吧，连广告内容也采集回来这个可不是大家愿意看到的吖
如果是基于统计理论的信息抽取才算智能哦

一点愚见，多多指教   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-19 00:09 overred

数据采集通用组件：OverredGatherCom发布（并附带使用demo）2007/08/08更新：支持集合值

http://www.cnblogs.com/overred/archive/2007/08/07/OverredGatherCom.html   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-19 17:54 大石头

看到很多人关注的是我这个所谓的“智能”吧。

做过采集程序的人都应该知道，刚开始的时候，很多都是针对某些网站写的采集，所有规则，都是定好了的；到了后来，出现了根据ID列表采集、指定要 采集页面哪部分等较为智能的采集，但是，这些智能还是有非常大的局限性的。现在的很多采集程序，所能做到的最多的莫过于执行采集一个网页的某一部分内容 了，比如识别出一个网页哪里是标题，哪里是内容，这些已经没什么新意了，我也不多说。

文中我提到的智能，其实有点类似大学时候学的人工智能。使用者只需要指定规则，给出初始化条件，然后随着程序的执行，某些条件处理后，将会得到更多条件，而某些条件处理后，将会得到结果。

我这样做，尽管不是最好的，但是对于采集的页面，比起传统的方法来，已经好些了。

我非常赞同“T.t.T!Ck. ”的说法，基于统计理论，这个想法，我也想过，只是时间问题没有做出来。
一个页面，如果大量存在同样格式的数据，那么，就可以把这些判定为列表页，如果存在大量的内容，就可以判定为详细页。这样做，尽管不能涵盖全部，但也能应用到很多采集上去了。

没有做过采集的人，是很难看出这个“智能”的。

我写的程序，只是为了证实我这个想法是否可行，我不喜欢给出所有代码，抱歉！～   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-20 12:43 gongzhw

顶帖 别沉了

个人签名~~
---------------------------
惊爆支持ASP、ASP.NET2.0空间500M+SQL数据库100M 特惠价格：128一年
支持asp 300M 虚拟主机68一年
支持asp.net2.0 300M 虚拟主机88一年，快抢拉~~~~~
虚拟主机 网站空间 域名注册 主机托管 免费主机 免费空间 免费asp空间 免费虚拟主机
免费试用~~~

联系QQ:43909413
<a href=" http://www.myidc.info/webhost/stylehost.aspx">http://www.myidc.info/webhost/stylehost.aspx</a>
硬件配置图：
http://www.myidc.info/images/adyj.gif   回复   更多评论
  

#  re: 多线程带智能采集策略的采集系统 2007-08-20 12:44 gongzhw

个人签名~~
---------------------------
惊爆支持ASP、ASP.NET2.0空间500M+SQL数据库100M 特惠价格：128一年
支持asp 300M 虚拟主机68一年
支持asp.net2.0 300M 虚拟主机88一年，快抢拉~~~~~
虚拟主机 网站空间 域名注册 主机托管 免费主机 免费空间 免费asp空间 免费虚拟主机
免费试用~~~

联系QQ:43909413
http://www.myidc.info/webhost/stylehost.aspx
硬件配置图：
http://www.myidc.info/images/adyj.gif   回复   更多评论